Python中的Numpy

说明：

NumPy是一个高性能的科学计算和数据分析基础包，在数据分析领域有很多应用；

具有多维数组对象、线性代数、傅里叶变换和随机数等强大功能；

一、Numpy的安装

在平时的使用中，我们习惯将“import numpy”写成“import numpy as np”。

二、多维数组

说明：

• 为了便于理解，可以将“多维数组”想象成一个用于存放数据的表格；
• 表格存放的是同一类型的数据；
• 可以通过索引值来提取表格中的数据（索引值用整数表示）；

1、创建多维数组

常用Numpy中的array创建多维数组；

演示：

创建一维数组——

创建高维数组——

数组与列表——

（可以看出，所谓创建数组就是将列表作为参数传递给array，）

 

（1）用ones创建元素全为1的指定维度的数组

更新数组中的元素

若要改“第2行，第3列”，则改“[1,2]”

（2）用zeros创建元素全为0的指定维度的数组

（3）用empty创建元素全为无意义数的指定维度的数组

根据给定的维度和数值类型返回一个新的数组，其元素不进行初始化

如果先创建一个元素全为0的数组，然后再用empty创建数组，那么得到的新数组也全为0，如下所示：

• 运行zeros

• 运行empty

 

（4）用random.rand创建元素全为随机数的指定维度的数组

关于创建随机数的数组可参考——

https://www.cnblogs.com/jason--/p/11567316.html

2、多维数组的常用属性

（1）ndim返回数组的维数

（2）shape返回数组的维度

（3）size返回数组的元素总数

（4）dtype返回数组的元素的数据类型

（5）itemsize返回数组中元素的字节大小

3、数组的打印

说明：

就是用print打印输出

 

三、多维数组的基本操作

说明：

这些操作包括算数运算、索引、乘法和除法算数运算；

1、数组的算术运算

加、减、乘、除

可以看出来，数组运算不同于矩阵运算，数组运算有除法，而矩阵运算没有，数组运算的乘法是对应点相乘；

如何由数组实现矩阵运算？

下面有两种方法：（建立数组a & b）

• 方法一：a.dot(b)
• 方法二：np.dot(a,b)

2、数组的自身运算

除了数组与数组、数组与标量之间的算术运算，我们还可以通过自定义一些方法来对数组本身进行操作；

• ​min​：找出所有元素中，值最小的元素（可以通过设置axis的值来按行或者列查找元素中的最小值）
• ​max​：找出所有元素中，值最大的元素（同上可按行或者列查找元素中的最大值）
• ​sum​：对所有元素进行求和运算，并返回运算结果（可通过设置axis的值来按行或者列对元素进行求和运算）

演示：

• ​exp​：对所有元素进行指数运算。
• ​sqrt​：对所有元素进行平方根运算。
• ​square​：对所有元素进行平方运算。

演示：

在多维数组中通过对​axis​参数进行不同的设置可以得到不同运算结果：

• 当axis为0时，计算方向是针对数组的列的；
• 当axis为1时，计算方向是针对数组的行的；

3、随机数组

NumPy生成不同属性的随机数方法如下：

• ​seed​：随机因子，在随机数生成器的随机因子被确定后，无论我们运行多少次随机程序，最后生成的数字都是一样的，随机因子更像把随机的过程变成一种伪随机的机制，不过这有利于结果的复现。
• ​rand​：生成一个在[0,1)范围内满足均匀分布的随机样本数。
• ​randn​：生成一个满足平均值为0且方差为1的正太分布随机样本数。
• ​randint​：在给定的范围内生成类型为整数的随机样本数。
• ​binomial​：生成一个维度指定且满足二项分布的随机样本数。
• ​beta​：生成一个指定维度且满足beta分布的随机样本数。
• ​normal​：生成一个指定维度且满足高斯正太分布的随机样本数。

4、索引、切片和迭代

（见书）

后续补充~